U-net pathologie

Terwijl A.I. zich langzaam aan kenbaar maakt, is het vaak nog lastig om het binnen verschillende disciplines toe te passen. Binnen Novalinq proberen we ieder segment dat een data scientist bezighoudt, begrijpbaar te maken. Van de beschrijvende analyse maken we  steeds vaker de stap naar de voorspellende analyse. Een toepassing waarin AI zich nog kan manifesteren, is binnen het werkveld pathologie: beeldherkenning en segmentatie voor het herkennen en lokaliseren van (kwaadaardige) kankercellen. 

Onderzoek hiernaar is binnen de academische wereld al volop in gang. Wereldwijd wordt de toepassing van een U-net al erkend. Afhankelijk van de opdracht van het model, of het vakgebied waarin het wordt toegepast, zijn er al meerdere modellen gevonden die ieder binnen hun eigen domein optimaal weten te presteren. 

Ook een onafhankelijk bedrijf kan een bijdrage leveren binnen dit werkveld. Dit hebben wij laten zien bij onderzoek naar de toepassing van een U-net voor het vinden en annoteren van beeldmateriaal. In 2020 bogen we ons samen met een onderzoeker van de Erasmus MC in Rotterdam over deze materie.

Er is nog te weinig ruimte binnen het domein van pathologen om A.I. te betrekken bij het maken van keuzes omtrent het annoteren van kwaadaardige cellen in het lichaamsweefsel.

Vaak gaat dit werk naar  ervaren pathologen die met hoge waarschijnlijkheid kunnen aantonen wanneer een cel kwaadaardig is of niet. Toch komen zij niet aan het herkennend vermogen van een model en is het hierdoor wenselijk om meer de verbinding aan te gaan met een intelligent model. 

‍

‍

Dit zegt niet dat een A.I.-model de professionele dermatopatholoog helemaal vervangt. Juist de samenwerking tussen aan de ene kant de geleerde onderzoeker en aan de andere kant het getrainde model, zorgt voor  een goede voorspelling bij het juist annoteren van beeld. 

In een 12-daagse cursus wisten we alle onderwerpen bespreekbaar te maken, van de basics van Python en de toepassing van verschillende machine learning modules tot het schrijven van een compleet U-net die op basis van segmenten beelden wist te ‘herkennen’. Ook wisten we thema’s te bespreken die de werkbare methode van het model belichten.

Niet alleen het schrijven van het algoritme, maar ook het begrijpbaar maken van de ‘keuzes’ van het model, zonder te verdwalen in de soms ongrijpbare werking van het model (‘black box’).